机器学习中的数学基础--最速下降,共轭梯度,牛顿法,拟牛顿法,KKT条件

本文介绍了机器学习中常见的优化问题,包括L2范数、Huber损失、Hinge损失和交叉熵等损失函数。讨论了直接求解、梯度下降、共轭梯度法、牛顿法和拟牛顿法等优化方法。同时,概述了KKT条件在约束优化问题中的应用,以及对偶问题的基本概念。这些理论和技术对于理解和解决实际的机器学习模型训练至关重要。
摘要由CSDN通过智能技术生成

优化问题简介

loss function:
1.L2(Lp)
2.Huber loss
3.Hinge loss
4.cross-entropy
method:
1.直接算
2.herative
3.随机
约束/非约束

解的性质:
1.存在
2.唯一(有些可能不唯一,都很好)
3.连续

最速下降法

转载:知乎 @忆臻 【最优化】一文搞懂最速下降法

在这里插入图片描述

共轭梯度法

转载:@知乎 如何理解共轭梯度法?

在这里插入图片描述

牛顿法

转载:B站

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值